Adaptive Learner Content

Kostenlose, offene Lerninhalte für Adaptive Learner - 28 Sets, 325 Lektionen, 3877 Karten in 10 Sprachen. Sprachen lernen, die App meistern. Spaced-Repetition-optimiert, KI-validiert, CC-BY-SA-4.0.

Free, open language- and knowledge-learning content for Adaptive Learner - 28 sets, 325 lessons, 3877 cards across 10 languages. Learn French, Spanish, English, Japanese, Korean, Chinese, Italian, Portuguese, plus German and the app tutorial. Spaced-repetition-ready, AI-validated, CC-BY-SA-4.0.

1. Adaptive Learner öffnen
2. Inhalte → Entdecken → Set auswählen → Herunterladen
3. Lernen!

# In Adaptive Learner:
# Einstellungen → Integrationen → Repository hinzufügen
# URL: https://github.com/astrapi69/adaptive-learner-content

git clone https://github.com/astrapi69/adaptive-learner-content.git
cd adaptive-learner-content
# Jedes Set ist ein Ordner unter sets/
ls sets/

Gesamt: 28 Sets, 325 Lektionen, 3877 Karten in 10 Sprachen.

Sprachen / Languages: Deutsch, Englisch, Französisch, Spanisch, Italienisch, Portugiesisch, Japanisch, Koreanisch, Chinesisch, Hindi.

Jedes Set durchläuft eine automatische Qualitätsprüfung:

• Sprachliche Korrektheit
• Konsistenz der Übersetzungen
• Vollständigkeit der Metadaten
• Exercise-Typ-Balance

Alle Pull Requests werden zusätzlich in der CI automatisch validiert (python3 scripts/validate_content.py).

Vor dem Push das Engine-Gate lokal laufen lassen: dieselben semantischen Regeln (E-CARD-REF, Cloze-Marker, Multiple-Choice-Regeln) und Qualitäts-Mindestanforderungen, die sonst erst die CI meldet:

make lint

Der erste Lauf installiert die in schema/engine-version.txt gepinnte Engine lokal nach node_modules/ (gitignored; braucht Node.js und npm), danach laufen Selbsttest und der volle Engine-Lauf wie im CI-Workflow Engine validate. Optional gibt make lint-warnings die Warnungen (W-*) des Engine-Gates über alle Lektionen aus.

scripts/export_set.py schreibt alle Lektionen EINES Sets in eine einzige YAML- (oder JSON-) Datei, damit ein KI-Assistent oder ein Mensch das ganze Set in einem Durchgang prüfen kann (Syntax, Korrektheit, Konsistenz über die Lektionen hinweg).

Empfohlen (per make):

make export ARGS="adaptive-learner-app"
# -> exports/adaptive-learner-app-de-<timestamp>.yaml

Direkt (Fallback; ruft das Skript unmittelbar auf):

python3 scripts/export_set.py adaptive-learner-app
python3 scripts/export_set.py fr-a1 --lang en --format json --out /tmp/review.json

Der Slug ist die Set-Id aus dem Wurzel-manifest.yaml (adaptive-learner-app-from-de) oder der Ordnername des Set-Pfads (adaptive-learner-app); bei gleichnamigen Ordnern unter mehreren Quellsprachen (z. B. fr-a1 unter sets/en, sets/de, sets/el) entscheidet --lang (Default de). Umlaute bleiben echtes UTF-8. Ein unbekannter Slug bricht mit einer Liste der verfügbaren Sets ab.

Für ein großes Set schreibt --split-size N mehrere selbsttragende Dateien von je höchstens N Lektionen statt einer einzigen großen Datei, z. B. make export ARGS="fr-a1 --lang en --split-size 8" (jeder Teil trägt seine eigene review_instructions-Kopie, kann also für sich allein an eine KI gegeben werden). Nicht kombinierbar mit --out.

Der Export ist selbsttragend: das erste Feld review_instructions enthält den kompletten Review-Prompt aus docs/ai-review-prompt-template.md (zur Laufzeit gelesen, nicht im Skript kopiert). Die Exportdatei kann also direkt und ohne manuell vorangestellten Prompt an eine Review-KI gegeben werden. Änderungen an der Review-Anweisung in der Template-Datei vornehmen und in den Geschwister-Content-Repos synchron halten.

Nur-Lese-Snapshot, KEIN Re-Import-Format: Der Export wird nirgends zurückgelesen. Änderungen fließen ausschließlich über die einzelnen schema-validierten Lektions-JSONs unter sets/ ein. Der Ordner exports/ ist gitignored.

Ausführliche Anleitung und Best Practices (u. a. Quellkapitel-Workflow): docs/export-set-usage.de.md (Deutsch) / docs/export-set-usage.md (English).

scripts/export_anki.py macht aus einem Set ein Anki-Deck, damit die Inhalte in das größte Spaced-Repetition-Ökosystem wandern können, ohne dieses Format zu verlassen:

make export-anki ARGS="en-a1-from-de"
# -> exports/en-a1-from-de-de-<timestamp>.apkg   (in Anki: Datei > Importieren)

python3 scripts/export_anki.py en-a1-from-de --out /tmp/deck.apkg

Was zu einer Notiz wird: jede Karte (Vorder-/Rückseite), free_text (Aufgabe / kanonische Antwort, Alternativen aufgelistet), cloze (ein {{cN::...}} je Lücke, die explanation als Zusatz), multiple_choice (Optionen mit Buchstaben / die richtigen Buchstaben), matching (eine Notiz je Paar), word_tiles (Kacheln alphabetisch / der Satz). Ausgelassen und im Bericht benannt, nie still: Theorie-Schritte, picture_choice (Bilder werden nicht exportiert), matching mit from_cards (die Paare sind die Karten, einmal exportiert) und alle ext:-Typen.

Die Identität der Notizen bleibt erhalten: die GUID leitet sich aus der stable_id ab (sonst Lektions-Id plus Element-Id). Ein erneuter Import eines neueren Exports aktualisiert die Notizen in Anki und behält den Lernstand, statt Duplikate anzulegen. Wie der KI-Review-Export ist das ein Konsumenten-Werkzeug: es rendert eine Darstellung der kanonischen Lektionen und ruft die Engine nicht auf. Braucht genanki (MIT): pip install genanki.

• ✓ Validiert: KI-geprüft + manuell gesichtet (ai_validated: true)
• Review: Kuratierter Inhalt, wartet auf KI-Validierung und Native-Speaker Review
• Draft: In Arbeit

Siehe CONTRIBUTING.md für das Content-Format und den Review-Prozess.

Jedes Set ist ein Ordner mit einer definierten Struktur:

sets/
  de/                    # Quellsprache: Deutsch
    fr-a1/               # Ziel: Französisch A1
      manifest.yaml      # Set-Metadaten
      lessons/
        01-begruessung.json
        02-zahlen.json
        ...
      media.yaml         # optional
    es-a1/               # Ziel: Spanisch A1
    en-a1/               # Ziel: Englisch A1
    ja-a1/               # Ziel: Japanisch A1
    ko-a1/               # Ziel: Koreanisch A1
    zh-a1/               # Ziel: Chinesisch A1
    it-a1/               # Ziel: Italienisch A1
    pt-a1/               # Ziel: Portugiesisch-BR A1
    ...
  en/                    # Quellsprache: Englisch
    fr-a1/  es-a1/  de-a1/  ...
  hi/                    # Quellsprache: Hindi
    en-a1/               # Ziel: Englisch A1
  manifest.yaml          # Root-Manifest

Das Feld-Schema (Root- und Set-manifest.yaml, alle Lektions- und Aufgaben-Felder, die sechs Aufgabentypen und die drei cloze-Modi) wird hier nicht dupliziert. Es ist die kanonische Engine-Referenz:

• learn-content-engine, Lesson format reference (die technische Format-Dokumentation, testvalidiert, ohne App-Checkout)
• das gespiegelte, gepinnte JSON-Schema in schema/ (Version in schema/engine-version.txt)

Das Schema in diesem Repo ist ein Spiegel des learn-content-engine-Release (Quell-Kette: engine (kanonisch), dann dieser Spiegel). Jede Lektion und jedes Manifest werden im CI vom gepinnten Engine-Validator geprüft (Workflow Engine validate, plus die strukturelle Schema-Validierung), sodass "validiert gegen die Engine" und "lädt in Adaptive Learner" dieselbe Aussage sind.

Für Nicht-Sprach-Domains (z. B. software) teilen sich Erklärung und Material eine Sprache, d. h. source_language == target_language ist erlaubt und der Ordner trägt einen Themennamen (z. B. sets/de/adaptive-learner-app).

1. Dieses Repo als Vorlage forken
2. Eigene Sets erstellen (gleiches Format)
3. In Adaptive Learner als Content-Quelle hinzufügen
4. Mit Schülern teilen via:
   • Öffentliches Repo: Link teilen
   • Privates Repo: Einladungscodes generieren

Als forkbarer Startpunkt dient adaptive-learner-content-test.

Adaptive Learner sucht über mehrere Content-Repos hinweg. Dein eigenes Repo kommt hinein, indem du einen Pull Request gegen recommended-repos.json öffnest, der es an einem validierten Commit anmeldet. Wie das genau funktioniert (Datenfluss, Trust-Level, Pinning, Schritt für Schritt): docs/CROSS-REPO-SEARCH.md. Die Kurzanleitung zum Eintragen steht in docs/REGISTER-A-REPO.md.

Adaptive Learner unterstützt Einladungscodes für private Content-Repos. Coaches können:

• Codes mit Limits generieren (max. Einlösungen, Ablaufdatum)
• Codes per Link, QR-Code oder manuell teilen
• Nutzung verfolgen

Mehr: Adaptive Learner Docs

Alle Inhalte stehen unter Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA-4.0).

Du darfst:

• Teilen: das Material kopieren und weiterverbreiten
• Anpassen: das Material verändern und darauf aufbauen
• Kommerziell nutzen: auch für kommerzielle Zwecke

Unter folgenden Bedingungen:

• Namensnennung: angemessene Credits geben
• Weitergabe unter gleichen Bedingungen: gleiche Lizenz verwenden

• Adaptive Learner App: Die Lern-App
• Adaptive Learner Repo: App Source Code
• docker-app-launcher: Desktop Launcher
• Lesson-Format-Referenz: Technische Format-Dokumentation (learn-content-engine; Schema-Spiegel siehe schema/README.md)
• Cross-Repo-Suche & eigenes Repo eintragen: Wie die Suche über mehrere Content-Repos funktioniert und wie du deins anmeldest
• CONTRIBUTING.md: Mitmachen und Inhalte beitragen